Hugging Face's logo

cbpuschmann
/
klimacoder2_v0.4

Text Classification
setfit
Safetensors
sentence-transformers
bert
generated_from_setfit_trainer
text-embeddings-inference
Model card Files
xet
Community

SetFit with deutsche-telekom/gbert-large-paraphrase-cosine

This is a SetFit model that can be used for Text Classification. This SetFit model uses deutsche-telekom/gbert-large-paraphrase-cosine as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

  1. Fine-tuning a Sentence Transformer with contrastive learning.
  2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
neutral
  • 'Heizungsgesetz: Dialog zwischen Ministerien zur Förderung von Wärmepumpen\n\nIn einer gemeinsamen Erklärung haben das Bundeswirtschaftsministerium und das zuständige Klimaministerium ihren Dialog über die flächendeckende Einführung von Wärmepumpen fortgesetzt. Ziel ist es, einen Konsens zu finden, der den Übergang zu nachhaltigeren Heizsystemen vorantreibt. Die Initiativen zielen darauf ab, die Energieeffizienz zu steigern und den Klimaschutz zu fördern, ohne spezifische Details oder Zeitpläne zu nennen.'
  • 'Die Einführung eines Heizungsgesetzes zur Förderung der Wärmepumpen-Nutzung ist ein viel diskutierter Schritt hin zu mehr Nachhaltigkeit im Wohnungsbau. Kritiker argumentieren jedoch, dass finanzielle Hürden für den Austausch älterer Heizsysteme bestehende Haushalte belasten könnten. Vergleichsportale für Heizöl zeigen aktuell große Preisunterschiede, was die Kosten für Verbraucher weiter ins Fokus rückt.'
  • 'Die Ampel-Koalition diskutiert über eine flächendeckende Einführung von Wärmepumpen, bekannt als "Heizungsgesetz". Ein genauer Zeitplan ist noch unklar, da derzeit Verhandlungen zwischen den Fraktionen laufen. Die Initiative zielt darauf ab, die Energieeffizienz zu steigern und den Übergang zu erneuerbaren Energien im Heizsektor voranzutreiben.'
opposed
  • 'Skeptische Reaktionen auf Heizungsgesetz: Kritiker sehen Nachbesserung als unzureichend\n\nDer Vorschlag zur flächendeckenden Einführung von Wärmepumpen stößt auf geteilte Meinungen. Während Befürworter die Energiewende vorantreiben wollen, zeigt sich Michael Kruse (FDP) skeptisch und spricht von einer "Nachbesserung durch die Hintertür". Er fordert eine umfassendere Überarbeitung des Gesetzes, um die Belange der Verbraucher und Wirtschaft besser zu berücksichtigen.'
  • 'Skepsis gegenüber "Heizungsgesetz": Kritiker warnen vor zu schnellem Umstritt\n\nDer geplante Einsatz von Wärmepumpen als alternative Heizungslösung weckt gemischte Gefühle. FDP-Politiker Sami Musa kritisiert den Vorstoß scharf und warnt vor unerwünschten Konsequenzen. "Das Heizungsgesetz könnte am Ende zu einem teuren und umweltschädlichen Kraftakt führen", so Musa. Er bezieht sich auf mögliche finanzielle Belastungen für Hausbesitzer und die Frage, ob ein vollständiger Wechsel von Öl- und Gasheizungen tatsächlich nachhaltig ist.'
  • 'Skeptische Reaktionen auf das Heizungsgesetz: Unternehmer sehen dunkle Zeiten kommen\n\nIn der deutschen Energiebranche wächst die Skepsis gegenüber den jüngsten Gesetzesinitiativen zur flächendeckenden Einführung von Wärmepumpen. Ein betroffener Unternehmer warnt vor den Folgen: "Das Heizungsgesetz und die aktuelle Förderpolitik könnten zu Werkschließungen und Entlassungen führen, besonders in Zeiten wirtschaftlicher Unsicherheit." Er kritisiert das Chaos und die widersprüchlichen Signale aus Berlin, die seiner Meinung nach Unternehmen in eine schwierige Lage bringen.'
supportive
  • 'Die Ampelkoalition hat kurz vor den Sommerferien einen Durchbruch bei der Wärmepumpenpflicht erzielt. Das Heizungsgesetz soll Klimaschutz und soziale Verträglichkeit verbinden, wie SPD-Vizefraktionschefin Verena Hubertz betont. Dennoch bleibt ein bitterer Nachgeschmack: Die zähe Debatte zeigt die Herausforderungen einer koalitionären Einigung.'
  • 'Obwohl die flächendeckende Einführung von Wärmepumpen durch das geplante "Heizungsgesetz" auf ein dringend nötiges Umdenken hinweist, weckt die Initiative gemischte Gefühle. Während SPD-Verhandler Matthias Miersch von einer Förderung klimafreundlicher Heizungstechnologien spricht, warnen Kritiker vor einer möglichen Belastung für Verbraucher und Mittelstand durch höhere Installationskosten. Ein ausgewogener Ansatz ist entscheidend, um eine effektive Energiewende zu gewährleisten.'
  • 'Obwohl das geplante "Heizungsgesetz" auf gemischte Reaktionen stößt, ist es ein mutiger Schritt in Richtung Energiewende. Kritiker monieren mögliche finanzielle Belastungen für Hausbesitzer, doch Grünen-Fraktionsvorsitzende Katharina Dröge betont die langfristigen Vorteile für den Klimaschutz und die Energieunabhängigkeit. Der Entwurf zielt darauf ab, die Installation von Wärmepumpen zu fördern und könnte Deutschland bei der Sanierung seiner Gebäudeflotte voranbringen.'

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("cbpuschmann/klimacoder2_v0.4")
# Run inference
preds = model("Die Forderungen sind landesweit die gleichen. Es geht um die Wiedereinführung eines 9-Euro-Tickets und ein Tempolimit von 100 km/h auf den Autobahnen. Außerdem fordern wir die Einführung eines Gesellschaftsrats. Dieser soll Maßnahmen erarbeiten, wie Deutschland bis 2030 emissionsfrei wird. Die Lösungsansätze sollen von der Bundesregierung anerkannt und in der Politik umgesetzt werden.")

Training Details

Training Set Metrics

Training set Min Median Max
Word count 24 61.6794 191
Label Training Sample Count
supportive 210
opposed 210
neutral 210

Training Hyperparameters

  • batch_size: (8, 8)
  • num_epochs: (3, 3)
  • max_steps: -1
  • sampling_strategy: oversampling
  • body_learning_rate: (2e-05, 1e-05)
  • head_learning_rate: 0.01
  • loss: CosineSimilarityLoss
  • distance_metric: cosine_distance
  • margin: 0.25
  • end_to_end: False
  • use_amp: False
  • warmup_proportion: 0.1
  • l2_weight: 0.01
  • seed: 42
  • eval_max_steps: -1
  • load_best_model_at_end: True

Training Results

Epoch Step Training Loss Validation Loss
0.0001 1 0.2556 -
0.0060 50 0.2575 -
0.0121 100 0.2404 -
0.0181 150 0.2165 -
0.0242 200 0.1432 -
0.0302 250 0.0634 -
0.0363 300 0.0156 -
0.0423 350 0.004 -
0.0484 400 0.001 -
0.0544 450 0.0005 -
0.0605 500 0.0004 -
0.0665 550 0.0003 -
0.0726 600 0.0002 -
0.0786 650 0.0002 -
0.0847 700 0.0001 -
0.0907 750 0.0012 -
0.0967 800 0.0024 -
0.1028 850 0.0018 -
0.1088 900 0.0001 -
0.1149 950 0.0001 -
0.1209 1000 0.0001 -
0.1270 1050 0.0001 -
0.1330 1100 0.0001 -
0.1391 1150 0.0 -
0.1451 1200 0.0 -
0.1512 1250 0.0 -
0.1572 1300 0.0 -
0.1633 1350 0.0 -
0.1693 1400 0.0 -
0.1754 1450 0.0 -
0.1814 1500 0.0 -
0.1874 1550 0.0 -
0.1935 1600 0.0 -
0.1995 1650 0.0 -
0.2056 1700 0.0 -
0.2116 1750 0.0 -
0.2177 1800 0.0 -
0.2237 1850 0.0 -
0.2298 1900 0.0 -
0.2358 1950 0.0 -
0.2419 2000 0.0 -
0.2479 2050 0.0 -
0.2540 2100 0.0 -
0.2600 2150 0.0 -
0.2661 2200 0.0 -
0.2721 2250 0.0 -
0.2781 2300 0.0 -
0.2842 2350 0.0 -
0.2902 2400 0.0 -
0.2963 2450 0.0 -
0.3023 2500 0.0 -
0.3084 2550 0.0 -
0.3144 2600 0.0 -
0.3205 2650 0.0 -
0.3265 2700 0.0 -
0.3326 2750 0.0 -
0.3386 2800 0.0 -
0.3447 2850 0.0 -
0.3507 2900 0.0 -
0.3568 2950 0.0 -
0.3628 3000 0.0 -
0.3688 3050 0.0 -
0.3749 3100 0.0 -
0.3809 3150 0.0 -
0.3870 3200 0.0 -
0.3930 3250 0.0 -
0.3991 3300 0.0 -
0.4051 3350 0.0 -
0.4112 3400 0.0 -
0.4172 3450 0.0 -
0.4233 3500 0.0 -
0.4293 3550 0.0 -
0.4354 3600 0.0 -
0.4414 3650 0.0 -
0.4475 3700 0.0 -
0.4535 3750 0.0 -
0.4595 3800 0.0 -
0.4656 3850 0.0 -
0.4716 3900 0.0 -
0.4777 3950 0.0 -
0.4837 4000 0.0 -
0.4898 4050 0.0 -
0.4958 4100 0.0 -
0.5019 4150 0.0 -
0.5079 4200 0.0 -
0.5140 4250 0.0 -
0.5200 4300 0.0 -
0.5261 4350 0.0 -
0.5321 4400 0.0 -
0.5382 4450 0.0 -
0.5442 4500 0.0 -
0.5502 4550 0.0187 -
0.5563 4600 0.1473 -
0.5623 4650 0.1667 -
0.5684 4700 0.0401 -
0.5744 4750 0.0112 -
0.5805 4800 0.0074 -
0.5865 4850 0.0021 -
0.5926 4900 0.0017 -
0.5986 4950 0.0 -
0.6047 5000 0.0 -
0.6107 5050 0.0 -
0.6168 5100 0.0 -
0.6228 5150 0.0 -
0.6289 5200 0.0 -
0.6349 5250 0.0 -
0.6409 5300 0.0 -
0.6470 5350 0.0 -
0.6530 5400 0.0 -
0.6591 5450 0.0 -
0.6651 5500 0.0 -
0.6712 5550 0.0 -
0.6772 5600 0.0 -
0.6833 5650 0.0 -
0.6893 5700 0.0 -
0.6954 5750 0.0 -
0.7014 5800 0.0 -
0.7075 5850 0.0 -
0.7135 5900 0.0 -
0.7196 5950 0.0 -
0.7256 6000 0.0 -
0.7316 6050 0.0 -
0.7377 6100 0.0 -
0.7437 6150 0.0 -
0.7498 6200 0.0 -
0.7558 6250 0.0 -
0.7619 6300 0.0 -
0.7679 6350 0.0 -
0.7740 6400 0.0 -
0.7800 6450 0.0 -
0.7861 6500 0.0 -
0.7921 6550 0.0 -
0.7982 6600 0.0 -
0.8042 6650 0.0 -
0.8103 6700 0.0 -
0.8163 6750 0.0 -
0.8223 6800 0.0 -
0.8284 6850 0.0 -
0.8344 6900 0.0 -
0.8405 6950 0.0 -
0.8465 7000 0.0 -
0.8526 7050 0.0 -
0.8586 7100 0.0 -
0.8647 7150 0.0 -
0.8707 7200 0.0 -
0.8768 7250 0.0 -
0.8828 7300 0.0 -
0.8889 7350 0.0 -
0.8949 7400 0.0 -
0.9010 7450 0.0 -
0.9070 7500 0.0 -
0.9130 7550 0.0 -
0.9191 7600 0.0 -
0.9251 7650 0.0 -
0.9312 7700 0.0 -
0.9372 7750 0.0 -
0.9433 7800 0.0 -
0.9493 7850 0.0 -
0.9554 7900 0.0 -
0.9614 7950 0.0 -
0.9675 8000 0.0 -
0.9735 8050 0.0 -
0.9796 8100 0.0 -
0.9856 8150 0.0 -
0.9917 8200 0.0 -
0.9977 8250 0.0 -
1.0 8269 - 0.3465
1.0037 8300 0.0 -
1.0098 8350 0.0 -
1.0158 8400 0.0 -
1.0219 8450 0.0 -
1.0279 8500 0.0 -
1.0340 8550 0.0 -
1.0400 8600 0.0 -
1.0461 8650 0.0 -
1.0521 8700 0.0 -
1.0582 8750 0.0 -
1.0642 8800 0.0 -
1.0703 8850 0.0 -
1.0763 8900 0.0 -
1.0824 8950 0.0 -
1.0884 9000 0.0 -
1.0944 9050 0.0 -
1.1005 9100 0.0 -
1.1065 9150 0.0 -
1.1126 9200 0.0 -
1.1186 9250 0.0 -
1.1247 9300 0.0 -
1.1307 9350 0.0 -
1.1368 9400 0.0 -
1.1428 9450 0.0 -
1.1489 9500 0.0 -
1.1549 9550 0.0 -
1.1610 9600 0.0 -
1.1670 9650 0.0 -
1.1731 9700 0.0 -
1.1791 9750 0.0 -
1.1851 9800 0.0 -
1.1912 9850 0.0 -
1.1972 9900 0.0 -
1.2033 9950 0.0 -
1.2093 10000 0.0 -
1.2154 10050 0.0 -
1.2214 10100 0.0 -
1.2275 10150 0.0 -
1.2335 10200 0.0 -
1.2396 10250 0.0 -
1.2456 10300 0.0 -
1.2517 10350 0.0 -
1.2577 10400 0.0 -
1.2638 10450 0.0 -
1.2698 10500 0.0 -
1.2758 10550 0.0 -
1.2819 10600 0.0 -
1.2879 10650 0.0 -
1.2940 10700 0.0 -
1.3000 10750 0.0 -
1.3061 10800 0.0 -
1.3121 10850 0.0 -
1.3182 10900 0.0 -
1.3242 10950 0.0 -
1.3303 11000 0.0 -
1.3363 11050 0.0 -
1.3424 11100 0.0 -
1.3484 11150 0.0 -
1.3545 11200 0.0 -
1.3605 11250 0.0 -
1.3665 11300 0.0 -
1.3726 11350 0.0137 -
1.3786 11400 0.0211 -
1.3847 11450 0.0047 -
1.3907 11500 0.0048 -
1.3968 11550 0.0008 -
1.4028 11600 0.0 -
1.4089 11650 0.0 -
1.4149 11700 0.0 -
1.4210 11750 0.0 -
1.4270 11800 0.0 -
1.4331 11850 0.0 -
1.4391 11900 0.0 -
1.4452 11950 0.0 -
1.4512 12000 0.0 -
1.4572 12050 0.0 -
1.4633 12100 0.0 -
1.4693 12150 0.0 -
1.4754 12200 0.0 -
1.4814 12250 0.0 -
1.4875 12300 0.0 -
1.4935 12350 0.0 -
1.4996 12400 0.0 -
1.5056 12450 0.0 -
1.5117 12500 0.0 -
1.5177 12550 0.0 -
1.5238 12600 0.0 -
1.5298 12650 0.0 -
1.5359 12700 0.0 -
1.5419 12750 0.0 -
1.5480 12800 0.0 -
1.5540 12850 0.0 -
1.5600 12900 0.0 -
1.5661 12950 0.0 -
1.5721 13000 0.0 -
1.5782 13050 0.0 -
1.5842 13100 0.0 -
1.5903 13150 0.0 -
1.5963 13200 0.0 -
1.6024 13250 0.0 -
1.6084 13300 0.0 -
1.6145 13350 0.0 -
1.6205 13400 0.0 -
1.6266 13450 0.0 -
1.6326 13500 0.0 -
1.6387 13550 0.0 -
1.6447 13600 0.0 -
1.6507 13650 0.0 -
1.6568 13700 0.0 -
1.6628 13750 0.0 -
1.6689 13800 0.0 -
1.6749 13850 0.0 -
1.6810 13900 0.0 -
1.6870 13950 0.0 -
1.6931 14000 0.0 -
1.6991 14050 0.0 -
1.7052 14100 0.0 -
1.7112 14150 0.0 -
1.7173 14200 0.0 -
1.7233 14250 0.0 -
1.7294 14300 0.0 -
1.7354 14350 0.0 -
1.7414 14400 0.0 -
1.7475 14450 0.0 -
1.7535 14500 0.0 -
1.7596 14550 0.0 -
1.7656 14600 0.0 -
1.7717 14650 0.0 -
1.7777 14700 0.0 -
1.7838 14750 0.0 -
1.7898 14800 0.0 -
1.7959 14850 0.0 -
1.8019 14900 0.0 -
1.8080 14950 0.0 -
1.8140 15000 0.0 -
1.8201 15050 0.0 -
1.8261 15100 0.0 -
1.8321 15150 0.0 -
1.8382 15200 0.0 -
1.8442 15250 0.0 -
1.8503 15300 0.0 -
1.8563 15350 0.0 -
1.8624 15400 0.0 -
1.8684 15450 0.0 -
1.8745 15500 0.0 -
1.8805 15550 0.0 -
1.8866 15600 0.0 -
1.8926 15650 0.0 -
1.8987 15700 0.0 -
1.9047 15750 0.0 -
1.9108 15800 0.0 -
1.9168 15850 0.0 -
1.9228 15900 0.0 -
1.9289 15950 0.0 -
1.9349 16000 0.0 -
1.9410 16050 0.0 -
1.9470 16100 0.0 -
1.9531 16150 0.0 -
1.9591 16200 0.0 -
1.9652 16250 0.0 -
1.9712 16300 0.0 -
1.9773 16350 0.0 -
1.9833 16400 0.0 -
1.9894 16450 0.0 -
1.9954 16500 0.0 -
2.0 16538 - 0.3646
2.0015 16550 0.0 -
2.0075 16600 0.0 -
2.0135 16650 0.0 -
2.0196 16700 0.0 -
2.0256 16750 0.0 -
2.0317 16800 0.0 -
2.0377 16850 0.0 -
2.0438 16900 0.0 -
2.0498 16950 0.0 -
2.0559 17000 0.0 -
2.0619 17050 0.0 -
2.0680 17100 0.0 -
2.0740 17150 0.0 -
2.0801 17200 0.0 -
2.0861 17250 0.0 -
2.0922 17300 0.0 -
2.0982 17350 0.0 -
2.1042 17400 0.0 -
2.1103 17450 0.0 -
2.1163 17500 0.0 -
2.1224 17550 0.0 -
2.1284 17600 0.0 -
2.1345 17650 0.0 -
2.1405 17700 0.0 -
2.1466 17750 0.0 -
2.1526 17800 0.0 -
2.1587 17850 0.0 -
2.1647 17900 0.0 -
2.1708 17950 0.0 -
2.1768 18000 0.0 -
2.1829 18050 0.0 -
2.1889 18100 0.0 -
2.1949 18150 0.0 -
2.2010 18200 0.0 -
2.2070 18250 0.0 -
2.2131 18300 0.0 -
2.2191 18350 0.0 -
2.2252 18400 0.0 -
2.2312 18450 0.0 -
2.2373 18500 0.0 -
2.2433 18550 0.0 -
2.2494 18600 0.0 -
2.2554 18650 0.0 -
2.2615 18700 0.0 -
2.2675 18750 0.0 -
2.2736 18800 0.0 -
2.2796 18850 0.0 -
2.2856 18900 0.0 -
2.2917 18950 0.0 -
2.2977 19000 0.0 -
2.3038 19050 0.0 -
2.3098 19100 0.0 -
2.3159 19150 0.0 -
2.3219 19200 0.0 -
2.3280 19250 0.0 -
2.3340 19300 0.0 -
2.3401 19350 0.0 -
2.3461 19400 0.0 -
2.3522 19450 0.0 -
2.3582 19500 0.0 -
2.3643 19550 0.0 -
2.3703 19600 0.0 -
2.3763 19650 0.0 -
2.3824 19700 0.0 -
2.3884 19750 0.0 -
2.3945 19800 0.0 -
2.4005 19850 0.0 -
2.4066 19900 0.0 -
2.4126 19950 0.0 -
2.4187 20000 0.0 -
2.4247 20050 0.0 -
2.4308 20100 0.0 -
2.4368 20150 0.0 -
2.4429 20200 0.0 -
2.4489 20250 0.0 -
2.4550 20300 0.0 -
2.4610 20350 0.0 -
2.4670 20400 0.0 -
2.4731 20450 0.0 -
2.4791 20500 0.0 -
2.4852 20550 0.0 -
2.4912 20600 0.0 -
2.4973 20650 0.0 -
2.5033 20700 0.0 -
2.5094 20750 0.0 -
2.5154 20800 0.0 -
2.5215 20850 0.0 -
2.5275 20900 0.0 -
2.5336 20950 0.0 -
2.5396 21000 0.0 -
2.5457 21050 0.0 -
2.5517 21100 0.0 -
2.5577 21150 0.0 -
2.5638 21200 0.0 -
2.5698 21250 0.0 -
2.5759 21300 0.0 -
2.5819 21350 0.0 -
2.5880 21400 0.0 -
2.5940 21450 0.0 -
2.6001 21500 0.0 -
2.6061 21550 0.0 -
2.6122 21600 0.0 -
2.6182 21650 0.0 -
2.6243 21700 0.0 -
2.6303 21750 0.0 -
2.6364 21800 0.0 -
2.6424 21850 0.0 -
2.6484 21900 0.0 -
2.6545 21950 0.0 -
2.6605 22000 0.0 -
2.6666 22050 0.0 -
2.6726 22100 0.0 -
2.6787 22150 0.0 -
2.6847 22200 0.0 -
2.6908 22250 0.0 -
2.6968 22300 0.0 -
2.7029 22350 0.0 -
2.7089 22400 0.0 -
2.7150 22450 0.0 -
2.7210 22500 0.0 -
2.7271 22550 0.0 -
2.7331 22600 0.0 -
2.7391 22650 0.0 -
2.7452 22700 0.0 -
2.7512 22750 0.0 -
2.7573 22800 0.0 -
2.7633 22850 0.0 -
2.7694 22900 0.0 -
2.7754 22950 0.0 -
2.7815 23000 0.0 -
2.7875 23050 0.0 -
2.7936 23100 0.0 -
2.7996 23150 0.0 -
2.8057 23200 0.0 -
2.8117 23250 0.0 -
2.8178 23300 0.0 -
2.8238 23350 0.0 -
2.8298 23400 0.0 -
2.8359 23450 0.0 -
2.8419 23500 0.0 -
2.8480 23550 0.0 -
2.8540 23600 0.0 -
2.8601 23650 0.0 -
2.8661 23700 0.0 -
2.8722 23750 0.0 -
2.8782 23800 0.0 -
2.8843 23850 0.0 -
2.8903 23900 0.0 -
2.8964 23950 0.0 -
2.9024 24000 0.0 -
2.9085 24050 0.0 -
2.9145 24100 0.0 -
2.9205 24150 0.0 -
2.9266 24200 0.0 -
2.9326 24250 0.0 -
2.9387 24300 0.0 -
2.9447 24350 0.0 -
2.9508 24400 0.0 -
2.9568 24450 0.0 -
2.9629 24500 0.0 -
2.9689 24550 0.0 -
2.9750 24600 0.0 -
2.9810 24650 0.0 -
2.9871 24700 0.0 -
2.9931 24750 0.0 -
2.9992 24800 0.0 -
3.0 24807 - 0.3517

Framework Versions

  • Python: 3.11.11
  • SetFit: 1.1.1
  • Sentence Transformers: 3.4.1
  • Transformers: 4.49.0
  • PyTorch: 2.4.1.post300
  • Datasets: 3.4.0
  • Tokenizers: 0.21.0

Citation

BibTeX 

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}
Downloads last month
1
Safetensors
Model size
0.3B params
Tensor type
F32
·
Inference Providers NEW
Text Classification
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for cbpuschmann/klimacoder2_v0.4

Base model

deepset/gbert-large
Finetuned
deutsche-telekom/gbert-large-paraphrase-cosine
Finetuned
(11)
this model

Paper for cbpuschmann/klimacoder2_v0.4